[发明专利]基于遗传优化神经网络的负荷识别方法、装置和存储介质

说明书

本申请公开了一种基于遗传优化神经网络的负荷识别方法、装置及存储介质，本申请对非侵入式负荷检测与分解进行研究和应用，对负荷监测分解过程中数据采集、数据预处理、事件探测、特征提取和负荷识别五个关键步骤，并且负荷识别运用遗传优化神经网络算法，可有效的提高算法的识别速度和准确率。

技术领域

本发明涉及电力系统技术领域，具体涉及一种基于遗传优化神经网络的负荷识别方法、装置和存储介质。

背景技术

随着电力系统的发展，电网的安全、可靠运行支撑着国民经济生活和发展。同时，需求侧管理也逐渐深入，传统的用户侧侵入式负荷监测方法已经不能满足需求，为了对用户侧的各个用电设备进行实时监测，了解用户的用电情况，非侵入式的负荷监测技术逐渐发展起来，如何采用非侵入式的方式识别用户设备的负荷类型是亟待解决的问题。

发明内容

本申请实施例提供了一种基于遗传优化神经网络的负荷识别方法、装置和存储介质，可以解决相关技术中非侵入式识别负荷类型存在的识别速度慢和准确率低的问题。所述技术方案如下：

第一方面，本申请实施例提供了一种基于遗传优化神经网络的负荷识别方法，所述方法包括：

步骤一，采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；

步骤二，对所述数字信号进行数据处理；其中，所述数据处理包括异常数据处理、去噪处理和归一化处理；

步骤三，对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；

步骤四，对探测到的事件进行负荷特征提取；

步骤五，通过神经网络监督学习算法识别出所述负荷特征对应的负荷类型。

在一种可能的设计中，步骤二中的所述异常数据处理方法包括：数据横向对比法、数据竖向对比方法、置换法、概率统计法和缺失数据的补充。

在一种可能的设计中，所述横向对比法指将任一时刻的数字信号和其相邻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；

所述数据竖向对比方法是将相邻日期的同一时刻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；

所述置换法是将明显异常的数字信号进行替换；

所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据与设置的置信区间，经过这两步达到对数字信号中的坏数据的识别和修正；

所述缺失数据的补充是用相似日的数字信号取均值来进行补充。

在一种可能的设计中，步骤二所述数据归一化处理是将数字信号的幅值限制在0到1之间，具体的公式如下：

其中，x为原始的数字信号的幅值，x_min和x_max多个数字信号的幅值中最大值和最小值，为归一化的数字信号。

在一种可能的设计中，步骤三事件探测包括：

根据n个数字信号y₀,y₁,Λ,y_n，来判断假设事件的A₀和事件A₁的真假；

其中，事件A₀表示y₀,y₁,Λ,y_n服从模型事件A₁表示存在某一时刻r，满足其中，表示参数为向量θ的模型，式中，Λ表示省略号。

在一种可能的设计中，步骤四所述的负荷特征提取是在事件中挖掘出有效表征事件特性的不同的LS特征。